该文汇总多篇研究，聚焦随机森林与机器学习的隐私安全，涵盖：利用袋外样本提升泛化并缩小森林规模；神经随机森林等新模型；针对联邦学习和分类模型的数据重构攻击及差分隐私防御；森林修剪以兼顾准确性与可解释性；基于随机子集抽样的认证防御抵御数据毒化攻击。